一种工业生产制造中故障分析系统及方法

技术领域

本发明涉及人工智能领域，具体涉及一种工业生产制造中故障分析系统及方法。

背景技术

在工业领域，生产制造是一个企业把产品生产出来并送达消费者使用的最核心的环节，而生产制造过程中，对产品质量的控制则是生命线，需要严格把控产品质量。而当今对产品的生产制造中大量依托机器来生产，生产过程中的数十个环节都是依靠机器来自动运行。

但是由于各种因素，机器在运行过程中都会发生各种故障，包括机械的、电子的、电气的、人为错误操作的、工艺的、管理方面的、测量方法的、原材料的、环境温湿度的等等因素的变化都能够导致生产制造过程的故障的发生，并因这些故障的发生导致所生产的产品不合格。

当这些故障发生时，传统的方法都是依托于现场工程师的经验来解决的，或者依托于工程师的经验，结合从操作手册、内部文档、企业内部资料库以及互联网的信息来解决的。

完全依赖现场工程师进行故障分析不能保证故障发生时可以快速分析原因进而解决问题，需要提出一种解决办法减少对现场工程师的依赖，使得故障分析可以自动或者半自动进行。

发明内容

为了实现上述技术目的，本发明提供了一种工业生产制造中故障分析系统、方法和装置，借助人工智能实现故障的分析，提升故障分析效率，本发明的技术目的是通过以下技术方案实现的：

一种工业生产制造中故障分析系统，该系统包括故障知识图谱构建模块、故障信息捕获模块、故障信息解析模块、故障知识匹配模块、故障分析结果输出模块；

故障知识图谱构建模块用以构建生成故障知识图谱；

故障信息捕获模块用以捕获故障信息将捕获的故障信息并将故障信息转化为文本信息；

故障信息解析模块用以将故障信息捕获模块捕获转化的文本信息解析为实体集合和本体词汇集合；

故障知识匹配模块用以将故障信息解析模块解析得到的实体集合和本体词汇集合分别与故障知识图谱内的信息进行匹配，匹配生成故障知识图谱的子图；

故障分析结果输出模块用以输出故障知识图谱的子图，追溯原始文件并输出原始文件。

一种工业生产制造中故障分析的方法，该方法依赖于权利要求1中的工业生产制造中故障分析系统，该方法包括故障知识图谱构建、捕获故障信息、解析故障信息、解析后的故障信息和故障知识图谱匹配、故障分析结果输出。

进一步地，故障知识图谱构建包括：

S1、故障分析文档收集；

S2、将收集的故障分析分档转化为rdf文档；

S3、利用自动标注模块对rdf文档进行标注，标记结果输入已标注文档库；

S4、通过已标注文档库进行模型训练，生成知识抽取模型；

S5、通过知识抽取模型进行知识抽取，根据推理规则或推理模型判断抽取模型抽取的知识是否已存在于故障知识图谱，若存在则将该抽取的知识融合到故障知识图谱中，若不存在则增加到故障知识图谱；

S6、对S5的判断的结果进行审核，判断是否将知识抽取模型所抽取的知识融合或者增加到知识图谱中。

进一步地，S3中对rdf文档进行标注时，输入故障分析文档，对所输入的故障分析文档进行标注，标注按照(实体、关系、实体)三元组和(实体、属性、属性值)三元组中至少一种三元组进行标记输出。

进一步地，解析故障信息时从故障信息捕获模块输出的文本信息中提取本体词汇、实体信息；本体词汇提取形成本体词汇集合，实体信息提取形成实体集合。

进一步地，提取本体词汇包括：

S7、对故障信息捕获模块输出的文本信息进行分词，分词获取故障信息捕获模块输出的文本信息中的原始输入词汇；

S8、同义词匹配，获取原始输入词汇的同义词；

S9、提取出同义词中和故障知识图谱中相同或相似的词汇，形成本体词汇集合；从同义词中提取与故障知识图谱中相关的实体、关系、属性、属性值放入实体集合。

进一步地，实体信息提取还包括对故障信息捕获模块输出的文本信息进行翻译，提取翻译后的文本信息中的实体信息。

进一步地，解析后的故障信息和故障知识图谱匹配借助信息检索算法，包括以下步骤：

S10、提取故障知识图谱中的实体条目，包括实体、关系、属性、属性值；

S11、以所提取的实体条目创建索引；

S12、借助检索工具的API从所创建的索引中分别对实体集合和本体词汇集合中的每个词进行检索，得到检索结果；

S13、检索结果汇总，根据故障知识图谱进行子图重建，生成故障子图；

S14、故障子图输入到故障分析结果输出模块。

进一步地，S12中检索包括模糊检索和精确检索；模糊检索时分别检索出索引中与本体词汇集合中每个词相关的词汇以及索引中与实体集合中每个词相关的词汇、以及索引中相关的三元组，计算每个结果的发生的概率，根据每个结果的发生概率计算相关词汇和原始输入词汇的语义相似度，设定阈值筛选语义相似度符合要求的相关词汇作为检索结果。

一种故障知识图谱的构建方法，该方法包括：

S1、故障分析文档收集；

S2、将收集的故障分析分档转化为rdf文档；

S3、利用自动标注模块对rdf文档进行三元组标注，标记结果输入已标注文档库；

S4、通过已标注文档库进行模型训练，生成知识抽取模型；

S5、通过知识抽取模型进行知识抽取，根据推理规则或推理模型判断抽取模型抽取的知识是否已存在于故障知识图谱，若存在则将该抽取的知识融合到故障知识图谱中，若不存在则增加到故障知识图谱；

S6、对S5的判断的结果进行审核，判断是否将知识抽取模型所抽取的知识融合或者增加到知识图谱中。

相比现有技术，本发明的有益效果在于，生产制造中故障发生时，借助该工业生产制造中故障分析系统及方法能够快速确定故障原因及解决方案，减少对现场工程师的经验的依赖，提升分析效果和分析效率。

附图说明

图1是本发明的工业生产制造中故障分析系统结构示意图。

图2是本发明中故障知识图谱构建流程图。

图3是本发明中解析故障信息流程示意图。

图4是本发明中解析后的故障信息和故障知识图谱匹配流程示意图。

图5是本发明中自动标注模块对rdf文档自动标注模型图。

图6是本发明中模糊检索语义相似度计算模型图。

具体实施方式

下面结合具体实施方式对本发明的技术方案进行进一步描述：

一种工业生产制造中故障分析系统，如图1所示，该系统包括故障信息捕获模块、故障信息解析模块、故障知识匹配模块、故障分析结果输出模块、故障知识图谱构建模块；

故障知识图谱构建模块用以构建生成故障知识图谱；

故障信息捕获模块从故障现场获取故障发生的各种信息，获取的方法包括多种，比如通过人工输入，可以是人工编辑文本输入、语音输入，语音输入通过语音转文本技术转化为文本进行输入；也可以是通过摄像头、手机拍照等光学器件对现场进行拍摄，并以图片或者视频的方式进行输入，图片或者视频通过OCR等技术来提取文字；通过故障信息捕获模块捕获故障信息并将故障信息转化为设备可以理解的文本信息；

故障信息解析模块用以将故障信息捕获模块捕获转化的文本信息解析为实体集合和本体词汇集合；

故障知识匹配模块用以将故障信息解析模块解析得到的实体集合和本体词汇集合分别与故障知识图谱内的信息进行匹配，匹配生成故障知识图谱的子图；

故障分析结果输出模块用以输出故障知识图谱的子图，追溯原始文件并输出原始文件。

一种工业生产制造中故障分析的方法，该方法借助上述工业生产制造中故障分析系统，包括故障信息捕获模块、故障信息解析模块、故障知识匹配模块、故障分析结果输出模块、故障知识图谱构建模块，该方法包括故障知识图谱构建、捕获故障信息、解析故障信息、解析后的故障信息和故障知识图谱匹配、故障分析结果输出，如图1所示。

具体地，故障知识图谱构建如图2所示，一种故障知识图谱的构件方法，通过故障知识图谱构建模块来构建故障知识图谱，包括以下步骤：

S1、故障分析文档收集，收集各类故障分析相关的文档，故障分析相关的文档包括但不限于图1中所示的类型，如FTA、FMEA、失效分析文档、论文、论坛文章、公众号文章、新闻舆情等，所有涉及故障分析的文章都可以用于构建故障知识图谱。

S2、收集的文档的格式可能有多种，比如pdf、word、ppt、excel、txt、html、jpg、png等各类专业的文档格式，将所有类型的文档全部转化为rdf文档，rdf文档支持文本以及在文本中嵌入多媒体，如果原始文档是图片格式或者原始文档中嵌入了图片，对图片格式的文档通过OCR进行文字识别。

S3、利用自动标注模块对rdf文档进行自动标注，自动标注采用故障知识图谱远程监督的方式进行，如图5所示，借助神经网络对输入的rdf文档以及rdf文档中的三元组(S-P-O)进行训练，当输入的rdf文档较长时，还可以将该rdf文档切割成若干文档片段，rdf文档和rdf文档片段均计做A进行输入，对A进行分词得到若干token(A

比如输入的文档是“日本的首都是东京”，将“日本的首都是东京”这一文档A进行分词可以得到A

判断该文档中是否存在输入三元组对应的关系或属性P，其三元组表示为SPO：(日本，首都，东京)，存在对应的关系P，按照每个token的位置对输入的文档进行标注，对“日本的首都是东京”标注为：日：S；本：S；的：N；首：N；都：N；是：N；东：O；京：O。

将其作为一个样本，输出保存在已标注文档库中，通过自动标注不断获取样本，丰富已标注文档库，为模型训练提供较多的样本，其中三元组包括实体-关系-实体三元组和实体-属性-属性值三元组中的至少一个。

S4、通过已标注文档库的内容进行训练，得到知识抽取模型；

S5、知识抽取的模型不限，现有的实体抽取模型、关系抽取模型、属性抽取模型都可使用，通过知识抽取模型进行知识抽取，抽取得到实体-关系-实体三元组或者实体-属性-属性值三元组。抽取出来的知识需要根据已有的故障知识图谱进行融合，使用知识推理规则或者推理模型来判断所抽取的知识是否存在于现有的故障知识图谱中，推理规则或者推理模型会根据具体情况来编写或者研发；如果故障知识图谱中已存在，将所抽取的知识和已有的故障知识图谱融合；如果故障知识图谱中不存在该知识，将所抽取的知识作为新增的知识增加到故障知识图谱中。

S6、为了增加故障分析的准确性，人工对所抽取的知识进行审核，通过人工审核选择保留或者丢弃S5中抽取的知识。

具体地，解析故障信息时，如图3所示，通过故障信息解析模块对故障信息捕获模块捕获输出的文本信息同时进行分词、实体抽取、翻译；分词获取文本信息中的原始输入词汇，分词包括：

S7、分词获取故障信息捕获模块输出的文本信息中的原始输入词汇；

S8、同义词匹配，同义词的来源可以是同义词词库，也可以是同义词模块，获取原始输入词汇的同义词；

S9、提取出同义词中和故障知识图谱中相同或相似的词汇，并将提取出的同义词放入本体词汇集合中形成本体词汇集合；从S8中获取的原始输入词汇的同义词中进行实体提取，提取出其中的实体、关系、属性、属性值，放入实体集合中。

对故障信息捕获模块捕获输出的文本信息进行实体抽取，抽取其中的实体、关系、属性、属性值，并放入实体集合中；对故障信息捕获模块捕获输出的文本信息进行翻译，翻译成统一的语言，翻译后同样进行实体抽取，抽取其中的实体、关系、属性、属性值，并放入实体集合中。

解析完成后故障知识匹配模块将故障解析模块解析到的实体集合和本体词汇集合分别与故障知识图谱内的信息进行匹配，匹配借助信息检索算法完成，匹配时如图4所示。

S10、提取条目，将故障知识图谱中的所有实体、关系三元组(实体-关系-实体三元组)、属性三元组(实体-属性-属性值三元组)提取出来。

S11、创建索引，将所提取的条目创建成信息检索的索引，创建索引的工具可以使用ElasticSearch、ApacheSolr、ApacheLucene等工具或者能够实现类似功能的工具等。

S12、从所创建的索引中分别对实体集合和本体词汇集合进行检索，检索包括精确检索和模糊检索；精确检索和模糊检索可以利用ElasticSearch、Apache Solr、ApacheLucene等工具或者类似功能的工具的API来实现。

精确检索如本体词汇中为“a”，则在索引中检索“a”；模糊检索包括从索引中对实体集合进行检索以及对本体词汇集合进行检索。通过模糊检索检索出索引中与本体词汇集合中每个相关词汇相关的词汇，以及索引中与实体集合中每个词相关的词汇，以及索引中包含的相关的三元组(S-P-O)；如图6所示，将每个模糊检索的结果计做A(A

S13、检索结果汇总后，根据故障知识图谱进行子图重建，通过子图重建得到故障子图。

S14、故障子图输出到故障分析结果输出模块，故障分析结果输出模块一方面输出故障子图，支持可视化和交互式分析；另外一方面还可以根据故障子图追溯到原始捕获的故障信息，将原始捕获的故障信息的文本信息输出给用户；通过故障子图和原始捕获的故障信息的文本信息可以快速判定故障原因及解决方法。故障分析结果输出模块可以支持web、客户端、手机或平板app的方式，也可以是其他专用设备。

本实施例只是对本发明的进一步解释，并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性的修改，但是只要在本发明的权利要求范围内都受到专利法的保护。